[笔趣阁]:bqge. cc 一秒记住！
测试开始。
进度条走动。
最终分数定格：94.5%。
“嘶……”徐辰自己都吸了口凉气。
原始水平：~75%。
加持后：94.5%。
GPT-4水平：~92%。
“在NLI这种基础任务上，直接超越了SOTA（当前最佳）！”
……
第二战：LogiQA。
这是一个硬骨头。题目全是类似“如果A去，B就不去；如果B不去，C必须去……”这种绕口令。
Qwen-7B原始水平大约是38%，这个水平基本就是蒙的。
GPT-4的水平大约是76%。
徐辰加载模型，运行测试。
十分钟后。
最终分数：81.2%。
翻倍！直接翻倍！
在这个榜单上，即便是千亿参数的LLaMA-3-70B，也还在65%左右徘徊。徐辰用7B的模型，跑出了比GPT-4还高5个点的成绩！
……
第三战：ProofWriter。
这是终极考验。不仅要对，还要对得有理有据。
Qwen-7B原始水平大约是45%，会经常胡编乱造证明过程）。
LAART(Qwen-7B+SLRM)：98.4%。
“98.4%……”
徐辰看着这个数字，忍不住感叹SLRM的逻辑能力确实够强。
“虽然推理速度慢得像蜗牛，泛化能力也有限，但在‘逻辑严谨性’这一块，它就是当之无愧的王者。”
“有了这些数据，这篇论文，稳了。”
……
随着徐辰将一份份测试结果上传到HuggingFace的Leaderboard，整个AI界，再次被那个神秘的“X”给震动了。
这一次，不再是CLUTRR一个榜单的孤立事件。
SNLI、LogiQA、ProofWriter……
几乎所有主流的、公认最难啃的逻辑推理榜单，在一夜之间，全部被那个简单的字母“X”给血洗了！
而且，分数不是微弱的领先，而是断层式的碾压！
在LogiQA这种“智商测试”榜单上，X的模型甚至比第二名高出了整整5个百分点！
那一连串绿色的“NewSOTA”标志，就像是一排排闪烁的霓虹灯，刺痛了所有AI巨头的眼睛。
更可怕的是，这些成绩的背后，依然没有公开任何模型权重，没有一行代码，甚至连那个“X”到底是谁，依然是个谜。
……
ℬ q Ge . 𝑪 𝑪